İstatistikte Matris Ayrıştırmaları
Matris ayrıştırmaları, bir matrisi daha basit yapılı çarpanlara ayırmakta ve istatistikte regresyon, kovaryans modellemesi ve boyut indirgeme gibi yöntemlerin arkasındaki istikrarlı ve verimli mekanizmayı sağlamaktadır.
Tanım
İstatistikte matris ayrıştırmaları, tasarım, kovaryans ve ilgili matrislerin üçgensel, ortogonal veya köşegen çarpanlar gibi yapılandırılmış bileşenlere ayrıştırılmasıdır; bu da istatistiksel hesaplamaları sayısal olarak kararlı ve verimli hale getirmektedir.
Kapsam
Bu konu, kovaryans ve kesinlik (precision) matrisleri için Cholesky ayrıştırmasını, en küçük kareler için QR ayrıştırmasını, tekil değer ayrıştırmasını (singular value decomposition) ve bunun temel bileşenler analizi ile rank eksikliği (rank-deficient) problemlerindeki istatistiksel kullanımlarını, ayrıca simetrik kovaryans matrislerinin öz ayrıştırmasını (eigendecomposition) kapsamaktadır. Her bir ayrıştırmanın istatistiksel bir hesaplamaya nasıl hizmet ettiği üzerinde durulmaktadır.
Temel sorular
- Cholesky ayrıştırması, kovaryans ve kesinlik (precision) hesaplamalarını nasıl desteklemektedir?
- QR ayrıştırması, en küçük kareler tahminlerine ulaşmak için neden istikrarlı bir yöntemdir?
- Tekil değer ayrıştırması (singular value decomposition), temel bileşenler analizini nasıl desteklemekte ve rank eksikliğini nasıl ele almaktadır?
- Bir kovaryans matrisinin öz ayrıştırması (eigendecomposition), yapısını nasıl ortaya koymaktadır?
Anahtar kavramlar
- Cholesky ayrıştırması
- QR ayrıştırması
- Tekil değer ayrıştırması (Singular value decomposition)
- Öz ayrıştırma (Eigendecomposition)
- Pozitif tanımlılık
- Rank eksikliği
Temel kuramlar
- Üçgensel ve ortogonal ayrıştırmalar
- Pozitif tanımlı bir kovaryans matrisinin Cholesky ayrıştırması ve bir tasarım matrisinin QR ayrıştırması, istatistiksel tahminin temelini oluşturan doğrusal sistemlere ve en küçük kareler problemlerine istikrarlı, verimli çözümler sunmaktadır.
- Spektral ve tekil değer ayrıştırmaları
- Bir kovaryans matrisinin öz ayrıştırması (eigendecomposition) ve bir veri matrisinin tekil değer ayrıştırması (singular value decomposition), temel yönleri ve rankları ortaya koyarak temel bileşenler analizini ve kolineer veya rank eksikliği olan problemlerin ele alınmasını sağlamaktadır.
Klinik önem
Ayrıştırmalar, kovaryans örneklemesini, genelleştirilmiş en küçük kareleri, temel bileşenler analizini ve ridge regresyonunu hem uygulanabilir hem de kararlı hale getirmektedir. Örneğin, Cholesky çarpanı, ilişkili normal değişkenleri simüle etmek ve çok değişkenli normal olabilirlikleri (likelihoods) verimli bir şekilde değerlendirmek için kullanılmaktadır.
Tarihçe
Sayısal doğrusal cebirde geliştirilen klasik ayrıştırmalar, özellikle QR ve tekil değer ayrıştırmaları, yirminci yüzyılın sonlarında istatistikçiler tarafından regresyon, çok değişkenli analiz ve boyut indirgeme için istikrarlı bir temel olarak benimsenmiştir.
Öne çıkan isimler
- Gene Golub
- Charles Van Loan
- André-Louis Cholesky
- Carl Eckart
İlgili konular
Temel eserler
- golub2013
- monahan2011
Sıkça sorulan sorular
- Cholesky ayrıştırması istatistikte neden bu kadar yaygındır?
- Kovaryans ve kesinlik (precision) matrisleri simetrik pozitif tanımlıdır; bu da Cholesky ayrıştırmasının tam olarak yararlandığı yapıdır. Sistemleri çözmek, çok değişkenli normal yoğunlukları değerlendirmek ve ilişkili değişkenleri simüle etmek için verimli bir yol sunmaktadır.
- Tekil değer ayrıştırması (singular value decomposition), temel bileşenler analizi için ne sağlamaktadır?
- Ortalanmış bir veri matrisine tekil değer ayrıştırması (singular value decomposition) uygulamak, doğrudan temel bileşenleri ve her birinin açıkladığı varyansı, aynı zamanda rank eksikliği olan veya kolineer verileri sorunsuz bir şekilde ele alan sayısal olarak kararlı bir yöntemle vermektedir.